本发明专利技术公开了一种基于频率域特征分离和迭代优化大气光的偏振去雾方法，涉及图像去雾技术领域。包括获取同一目标场景下的无偏振图像和不同偏振角度的多幅偏振图像；通过多尺度变换获取偏振图像的低频图像；获取低频图像中值滤波后的大气散射光图像；利用大气散射光图像构造Stokes矢量，获取大气散射光总光强；构建雾天成像的物理模型，获取重构后的去雾图像；对重构后的去雾图像执行NSP分解得到高频图像，并进行归一化处理；构造大气散射光总光强和归一化高频图像之间的约束函数，通过迭代优化大气散射光总光强获取优化后的去雾图像。本发明专利技术利用去雾图像的高频图像迭代优化大气光，提高了偏振去雾效果。提高了偏振去雾效果。提高了偏振去雾效果。
【技术实现步骤摘要】
基于频率域特征分离和迭代优化大气光的偏振去雾方法
[0001]本专利技术涉及图像去雾
，更具体的说是涉及基于频率域特征分离和迭代优化大气光的偏振去雾方法。
技术介绍
[0002]随着不良气象环境正呈现出影响范围广、持续时间长和浓度大等特点，严重影响到了光学探测系统的工作，在雾霾天气下，目标场景的对比度下降，难以通过一般的光学成像手段对采集的目标场景图像进行信息提取和处理。增强雾霾天气下目标成像的对比度，改善图像质量，提高能见度的去雾技术在户外视频监控、日常照片处理、航拍和水下图像处理，以及现有汽车、船舶的安全辅助驾驶系统等诸多领域都具有非常重要且长远的应用价值。
[0003]经过长期发展，先后出现了基于图像增强、基于物理模型、基于深度学习三种大类的图像去雾方法。基于图像增强的方法因为不考虑图像退化的本质原因，所以效果有限，而新兴的以深度学习为基础的方法则都受限于训练集，在真实场景应用的鲁棒性还有待提升。基于物理模型的去雾方法又包括以He等人提出的暗通道去雾方法为代表的基于先验的单幅图像去雾方法和以Schechner等人提出的差分偏振去雾方法为代表的基于多幅偏振图像的去雾方法，相比普通的成像技术，偏振成像因为能获取额外的光谱信息，具有客观的优势。
[0004]然而现有的偏振去雾方法因为忽略目标偏振特性，所以均需要人为调控偏振度校正因子等参数以在不同的雾霾浓度下获取最佳的去雾效果，仅仅依靠偏振图像的空间域信息，很难准确地分离大气散射光和目标反射光。
[0005]因此，如何提高偏振去雾的稳定性和有效性，改善去雾图像质量是本领域技术人员亟需解决的问题。
技术实现思路
[0006]有鉴于此，本专利技术提供了一种基于频率域特征分离和迭代优化大气光的偏振去雾方法，以增强雾霾天气下目标成像的对比度，提高能见度，改善去雾图像质量。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于频率域特征分离和迭代优化大气光的偏振去雾方法，包括：
[0009]获取同一目标场景下的无偏振图像和不同偏振角度的多幅偏振图像；
[0010]通过多尺度变换获取每幅偏振图像对应的低频图像；
[0011]对每幅低频图像分别执行中值滤波，获取每幅低频图像对应的大气散射光图像；
[0012]利用每幅低频图像对应的大气散射光图像构造大气散射光的Stokes矢量，并根据大气散射光的Stokes矢量计算大气散射光总光强；
[0013]根据无偏振图像和大气散射光总光强构建雾天成像的物理模型，并根据雾天成像的物理模型得到重构后的去雾图像；
[0014]对重构后的去雾图像执行NSP分解得到对应的高频图像，并对高频图像进行归一化处理，获取归一化后的高频图像；
[0015]构造大气散射光总光强和归一化后的高频图像之间的约束函数，通过迭代优化大气散射光总光强获取优化后的去雾图像。
[0016]优选的，不同偏振角度的多幅偏振图像包括同一目标场景下0
°
、60
°
、120
°
三个偏振角度的偏振图像I0、I
60
、I
120
。
[0017]优选的，通过多尺度变换获取每幅偏振图像的对应的低频图像具体包括：
[0018]采用NSP变换分别对每幅偏振图像进行分解，取分解层数为四层，获取每幅偏振图像分解后对应的低频图像。
[0019]优选的，利用每幅低频图像对应的大气散射光图像构造大气散射光的Stokes矢量，具体表达式包括：
[0020][0021]式中，S
A
表示大气散射光的Stokes矢量；S
AI
表示大气散射光总光强；S
AQ
、S
AU
分别代表大气散射光的两个线性偏振光强差；A0、A
60
、A
120
分别表示0
°
、60
°
、120
°
偏振图像的低频图像经中值滤波后的大气散射光图像。
[0022]优选的，根据无偏振图像和大气散射光总光强构建雾天成像的物理模型，并根据雾天成像的物理模型得到重构后的去雾图像，具体包括：
[0023][0024]式中J表示重构后的去雾图像，I表示目标场景下的无偏振图像，S
AI
表示大气散射光总光强，A
∞
表示无穷远处大气散射光光强。
[0025]优先的，对高频图像进行归一化处理的归一化公式具体包括：
[0026][0027]H表示归一化后的高频图像；norm()表示归一化函数；H'(i)表示高频图像中的一个像素点i；min(H')表示高频图像中像素点的最小值；max(H')表示高频图像中像素点的最大值。
[0028]优选的，构造大气散射光总光强和归一化后的高频图像之间的约束函数：
[0029][0030]式中，H表示归一化后的高频图像，S
AI
表示大气散射光总光强，Ω表示大气散射光总光强图像边缘区域，x1和y1分别表示边缘区域中的两个像素点，W(S
AI
,H)为权重函数；
[0031]利用第i次归一化后的高频图像H
i
重新定义第i+1次的大气散射光总光强(S
AI
)
i+1
：
[0032][0033]式中，l表示拉格朗日乘子，并利用梯度下降法求解大气散射光总光强(S
AI
)
i+1
，收敛条件为||(S
AI
)
i+1
‑
(S
AI
)
i
||＜ε，ε表示收敛阈值。
[0034]优选的，权重函数表达式为：
[0035][0036]式中，σ代表归一化高频图像H边缘区域内像素点方差，x2和y2表示归一化高频图像H边缘区域中两个像素点。
[0037]经由上述的技术方案可知，本专利技术公开提供了一种基于频率域特征分离和迭代优化大气散射光的偏振去雾方法，围绕无需忽略目标偏振特性但又避免对其进行具体讨论，充分利用频率域信息优化偏振去雾参数估计的过程，与现有技术相比，具有以下有益效果：
[0038](1)本专利技术利用去雾图像的高频图像来迭代优化大气散射光总光强，提高了偏振去雾效果，改善了图像质量，便于各种复杂的计算机视觉系统对雾霾天气下的图像进行信息处理。
[0039](2)本专利技术利用偏振图像的低频图像获取大气散射光总光强，与以往直接使用空间滤波获取大气散射光总光强的方法相比，有效避免了光环效应的产生；
[0040](3)本专利技术通过直接构造大气散射光的斯托克斯参量实现偏振去雾，避免了讨论复杂的目标偏振特性。
附图说明
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于频率域特征分离和迭代优化大气光的偏振去雾方法，其特征在于，所述方法包括以下步骤：获取同一目标场景下的无偏振图像和不同偏振角度的多幅偏振图像；通过多尺度变换获取每幅偏振图像对应的低频图像；对每幅低频图像分别执行中值滤波，获取每幅低频图像对应的大气散射光图像；利用每幅低频图像对应的大气散射光图像构造大气散射光的Stokes矢量，并根据大气散射光的Stokes矢量计算大气散射光总光强；根据无偏振图像和大气散射光总光强构建雾天成像的物理模型，并根据雾天成像的物理模型得到重构后的去雾图像；对重构后的去雾图像执行NSP分解得到对应的高频图像，并对高频图像进行归一化处理，获取归一化后的高频图像；构造大气散射光总光强和归一化后的高频图像之间的约束函数，通过迭代优化大气散射光总光强获取优化后的去雾图像。2.根据权利要求1所述的偏振去雾方法，其特征在于，不同偏振角度的多幅偏振图像包括同一目标场景下0
°
、60
°
、120
°
三个偏振角度的偏振图像。3.根据权利要求1所述的偏振去雾方法，其特征在于，通过多尺度变换获取每幅偏振图像的对应的低频图像具体包括：采用NSP变换分别对每幅偏振图像进行分解，取分解层数为四层，获取每幅偏振图像分解后对应的低频图像。4.根据权利要求2所述的偏振去雾方法，其特征在于，利用每幅低频图像对应的大气散射光图像构造大气散射光的Stokes矢量，具体表达式包括：式中，S
A
表示大气散射光的Stokes矢量；S
AI
表示大气散射光总光强；S
AQ
、S
AU
分别代表大气散射光的两个线性偏振光强差；A0、A
60
、A
120
分别表示0
°
、60
°
、120
°
偏振图像的低频图像经中值滤波后的大气散射光图像。5...
【专利技术属性】
技术研发人员：孙锐，廖郯彬，范之国，张旭东，王长祥，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。